國(guó)電電力湖南新能源開(kāi)發(fā)有限公司 謝寶瑜 王清嶺 張尊彥 李 陽(yáng) 伍席文 王澤科

華風(fēng)數(shù)據(jù)（深圳）有限公司 黎 濤 黃劍峰

風(fēng)力發(fā)電作為風(fēng)能利用的主要形式，因其環(huán)境友好、建設(shè)周期短、項(xiàng)目規(guī)模靈活等優(yōu)點(diǎn)，在近年取得快速發(fā)展。但由于風(fēng)電機(jī)組長(zhǎng)期處于惡劣環(huán)境中，其葉片、傳動(dòng)系統(tǒng)、變漿系統(tǒng)、偏航系統(tǒng)等均為故障高發(fā)部位。偏航系統(tǒng)作為水平軸風(fēng)力發(fā)電機(jī)組中重要的機(jī)械系統(tǒng)之一，能在風(fēng)向發(fā)生改變時(shí)控制風(fēng)輪方向、追蹤風(fēng)向變化，從而做到風(fēng)電機(jī)組的高效運(yùn)行。但現(xiàn)階段針對(duì)風(fēng)電機(jī)組偏航系統(tǒng)故障檢測(cè)的研究還相對(duì)較少。當(dāng)前基于風(fēng)機(jī)偏航系統(tǒng)狀態(tài)監(jiān)測(cè)的方法有人工聽(tīng)診、振動(dòng)檢測(cè)、數(shù)據(jù)挖掘等方法。

人工聽(tīng)診方法主要是運(yùn)行人員根據(jù)運(yùn)行經(jīng)驗(yàn)來(lái)判斷偏航系統(tǒng)是否發(fā)生故障，該方法存在嚴(yán)重的滯后性，人為主觀性較強(qiáng)、效率低下且誤差大；振動(dòng)檢測(cè)方法作為一種成熟的故障檢測(cè)方法廣泛應(yīng)用于風(fēng)電機(jī)組故障檢測(cè)中，如文獻(xiàn)[1]針對(duì)風(fēng)電機(jī)組葉片斷裂、偏航系統(tǒng)故障等在內(nèi)的5種工況，在設(shè)備合適的部位安裝振動(dòng)傳感器來(lái)獲取振動(dòng)信號(hào)，利用信號(hào)處理和BP 神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)了特征與故障類(lèi)型的關(guān)聯(lián)，但基于振動(dòng)法檢測(cè)需安裝大量的傳感器，成本高且信號(hào)源復(fù)雜多變，很難檢測(cè)到設(shè)備的早期故障；基于數(shù)據(jù)挖掘的方法是利用風(fēng)場(chǎng)SCADS 系統(tǒng)和大數(shù)據(jù)技術(shù)來(lái)挖掘數(shù)據(jù)之間的關(guān)系，如文獻(xiàn)[2]從風(fēng)電機(jī)組的發(fā)電功率、轉(zhuǎn)子速度和俯仰角同風(fēng)速間三個(gè)參數(shù)進(jìn)行關(guān)聯(lián)分析，從SCADA 系統(tǒng)中提取海量數(shù)據(jù)進(jìn)行分析，但此方法不足之處在于模型運(yùn)算過(guò)程耗時(shí)較長(zhǎng)、成本較高，不利于工程利用。

從工程成本、安全性及以適用性等方面考慮，以上方法難以滿足工程實(shí)際的需求。因此，本文提出了一種基于非接觸式的聲學(xué)檢測(cè)方法，該方法具有安裝簡(jiǎn)單、維護(hù)方便、不影響機(jī)組正常工作等優(yōu)點(diǎn)。提出了改進(jìn)SOM 與貝葉斯網(wǎng)絡(luò)的偏航故障診斷方法，并結(jié)合風(fēng)場(chǎng)實(shí)測(cè)數(shù)據(jù)驗(yàn)證方法的有效性。

1 算法設(shè)計(jì)

偏航系統(tǒng)損傷檢測(cè)可看作是一個(gè)故障征兆的非確定性推理過(guò)程，而基于概率信息表示及推理的貝葉斯網(wǎng)絡(luò)在處理非確定性問(wèn)題時(shí)有著良好的表現(xiàn)[3]。因此，本文提出了基于貝葉斯網(wǎng)絡(luò)的風(fēng)電機(jī)組偏航系統(tǒng)故障診斷方法，主要包括特征提取，數(shù)據(jù)離散化，貝葉斯網(wǎng)絡(luò)模型。

1.1 特征提取

當(dāng)偏航系統(tǒng)發(fā)生故障時(shí)，其聲信號(hào)的頻譜必然會(huì)發(fā)生改變，通過(guò)倍頻程分析，這種改變可在提取的信號(hào)聲壓級(jí)來(lái)（Sound Pressure Level,SPL）表示：，其中pe表示頻帶的聲壓級(jí)，分別表示中心頻率上限截止頻率和下限截止頻率，pref表示參考聲壓級(jí)，空氣中取值為2×10-5Pa。因此可用SPLs 特征向量來(lái)表示偏航系統(tǒng)的狀態(tài)：S=[SPL1，SPL2，…，SPLi，SPLN]，其中i=1，2，…，N，N 表示SPL 特征向量的個(gè)數(shù)。

1.2 數(shù)據(jù)離散化

貝葉斯網(wǎng)絡(luò)要求特征屬性是離散化的，而提取的SPL 特征向量各維度屬性是連續(xù)的，因此SPL 特征向量必須離散化。SOM 神經(jīng)網(wǎng)絡(luò)是無(wú)監(jiān)督式學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）的一種，主要是用于數(shù)據(jù)離散化[4]。傳統(tǒng)SOM 算法是隨意的劃分?jǐn)?shù)據(jù)間隔，這樣會(huì)導(dǎo)致數(shù)據(jù)信息的丟失。本文提出了一種基于信息增益率的SOM 方法來(lái)有效地提取離散屬性間隔數(shù)以便更純的離散化連續(xù)屬性。給定歸一化數(shù)據(jù)集XN'M={xi；xi=(xi,1，xi,2，…，xi,M)，i=1，2，…，N}，其中M 表示樣本數(shù)，IGR-SOM 算法描述如下。

Step1：初始化SOM 網(wǎng)絡(luò)的輸入層和輸出層網(wǎng)絡(luò)，其中wk,i(0),k=1,2，表示初始化網(wǎng)絡(luò)第k 個(gè)輸出神經(jīng)元到第i 個(gè)輸入神經(jīng)元的連接權(quán)重。

Step2：選擇競(jìng)爭(zhēng)獲勝神經(jīng)元，選擇產(chǎn)生最小的節(jié)點(diǎn)作為最匹配的神經(jīng)元，即為獲勝神經(jīng)元。，確定獲勝的神經(jīng)元之后，更新神經(jīng)元及其領(lǐng)域內(nèi)的所有神經(jīng)元。更新函數(shù)為， 其 中a(n)、b(n)和wk,i(n)分別代表學(xué)習(xí)率、神經(jīng)元領(lǐng)域?qū)挾?、第n 次迭代的連接權(quán)重；d(k,L)表示第k個(gè)輸出神經(jīng)元到獲勝神經(jīng)元的距離。a(n)、b(n)更新公式如下，其中T 表示總的迭代次數(shù)，最后得到離散數(shù)據(jù)集:

Step4：增加輸出神經(jīng)元直到達(dá)到最大的間隔，根據(jù)IGR 計(jì)算公式，第i 個(gè)SPL 特征向量的最優(yōu)間隔為。

1.3 貝葉斯網(wǎng)絡(luò)模型

貝葉斯方法以其獨(dú)特的豐富概率表達(dá)、不確定知識(shí)表達(dá)等優(yōu)點(diǎn)被廣泛應(yīng)用于文本識(shí)別、故障預(yù)測(cè)、分類(lèi)等領(lǐng)域[5～7]?；谪惾~斯網(wǎng)絡(luò)診斷包括了故障層和征兆層。征兆層的節(jié)點(diǎn)表示提取的SPL 特征，用S={S1，S2，…，SN}來(lái)表示，故障層節(jié)點(diǎn)用F={F1，F(xiàn)2，…，F(xiàn)C}，其中C 表示故障類(lèi)別數(shù)，故障類(lèi)別包括剎車(chē)片磨損、制動(dòng)盤(pán)故障、減速器故障、偏航軸承失效。

2 實(shí)驗(yàn)分析

為驗(yàn)證模型的有效性，采集了實(shí)際風(fēng)電場(chǎng)偏航系統(tǒng)正常類(lèi)與故障類(lèi)的數(shù)據(jù)。傳感器安裝在靠近偏航軸承附近且指向偏航軸承，測(cè)試系統(tǒng)有AWA14423型傳聲器、工控筆記本電腦（里面集成了信號(hào)采集程序），采樣頻率設(shè)置為64kHz，采集了偏航正常狀態(tài)和剎車(chē)片磨損故障狀態(tài)兩類(lèi)數(shù)據(jù)，故障信號(hào)能量在3kHz 左右突然增加。

通過(guò)1/3倍頻程提取信號(hào)聲壓級(jí)特征，共25個(gè)SPLs 特征，總共等到200個(gè)正常類(lèi)樣本和200個(gè)故障類(lèi)樣本，經(jīng)過(guò)IGR-SOM 算法將特征數(shù)據(jù)集離散化，其中IGR-SOM 算法參數(shù)設(shè)置為：T1500、最大間隔2、最小間隔18、0.96、6.5；在對(duì)SPL 數(shù)據(jù)離散化后的間隔最優(yōu)結(jié)果中，最優(yōu)IGR 值及最優(yōu)間隔數(shù)分別為：0.968、2，0.132、5，0.071、20，0.198、18，0.092、6，0.501、2，0.076、3，0.599、2，0.139、2，0.028、3，0.059、8，0.030、19，0.421、2，0.298、2，0.502、4，0.598、4，0.0258、18，0.899、2，0.621、2，0.221、2，0.075、9，0.022、20，0.042、2，0.015、20，0.031、18。表1給出了特征數(shù)據(jù)經(jīng)過(guò)離散化之后的表示結(jié)果。

表1 離散化特征數(shù)據(jù)表示

將離散特征數(shù)據(jù)70%作為訓(xùn)練數(shù)據(jù)、30%作為測(cè)試數(shù)據(jù)，為了證明本文所提方法的優(yōu)勢(shì)，對(duì)比了支持向量機(jī)（SVM）分類(lèi)器、基于SOM 的貝葉斯算法（BN_SOM）和基于IGR 和SOM 的貝葉斯算法（BN_IGR_SOM）。所提方法的準(zhǔn)度度最高，為96.55%。

綜上，本文從現(xiàn)有的研究基礎(chǔ)上，提出了基于貝葉斯網(wǎng)絡(luò)診斷的風(fēng)電機(jī)組偏航系統(tǒng)故障診斷模型，并結(jié)合改進(jìn)的SOM 數(shù)據(jù)離散方法，最后通過(guò)風(fēng)電場(chǎng)實(shí)測(cè)的數(shù)據(jù)驗(yàn)證的該模型的正確性與適用性。